ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Цели и задачи

Целью работы является разработка и исследование автоматных моделей обучения на основе анализа компетенций обучаемого и разработка на их основе многоагентной системы обучения

Для достижения поставленной цели требуется решение следующих задач:

  1. Провести анализ существующих систем обучения и тестирования, реализующих обучение компетенциям
  2. Разработать состав и структуру агентной системы обучения и оценки компетенций обучаемого
  3. Формализовать процессы обучения и тестирования на основе автоматного подхода и многоагентной организации системы обучения

Объектом данного исследования являются многоагентные системы компетентностного обучения.

Предметом исследования являются автоматные модели процессов обучения и тестирования.

2. Актуальность темы

В связи с задачами модернизации системы образования в высшей школе в контексте Болонской декларации актуализируется задача перехода к планированию результатов образования на языке компетенций. Образовательный подход, основанный на обозначении компетентности как цели профессиональной подготовки специалиста в вузе, определяется как компетентностный. Применение компетентностного подхода означает формирование индивидуальных программ обучения соответствующих особенностям каждого обучающегося [1] и учитывающих потребности компаний в профессиональной ориентации специалистов. Это может быть реализовано с помощью распределенных интеллектуальных агентно-ориентированных технологий, обеспечивающих достижение требуемых компетенций за счет введения адаптивности в процесс обучения. Основная задача заключается в обеспечении оптимальной траектории движения обучающегося к цели на основе построения индивидуального плана обучения и управляемого усвоения им учебного материала в обучающей системе.

Задачи определения текущей компетенции обучаемого и контроля формирования компетенций решаются в существующих системах путем использования технологий тестового контроля, когда испытуемому предлагается выполнить заранее подготовленные задания различной степени сложности. Недостатком существующих средств тестирования обучающих систем является ориентация преимущественно на диагностику и оценку качества знаний, умений и навыков, приобретаемых студентом в результате освоения конкретных дисциплин и практик. Традиционные тестирующие средства не позволяют проверять и оценивать высокие, продуктивные уровни знаний.

Таким образом, для систем обучения на основе компетенций характерно использование адаптации на уровнях обучения и тестирования знаний. Анализ существующих подходов к реализации средств управления обучением и тестированием показывает, что перспективным может быть автоматный подход, упрощающий реализацию сценариев обучения и тестирования со сложной логикой.

Поэтому актуальна задача разработки автоматных моделей агентов для интеллектуальных систем обучения на основе компетентностного подхода.

3. Предполагаемая научная новизна

Научная новизна исследовательской работы заключается в разработке новых автоматных моделей агентов интеллектуальной системы обучения компетенциям и алгоритмов реализации индивидуальных траекторий обучения и тестирования, позволяющих повысить качество обучения с учетом современных потребностей работодателей в профессиональной ориентации специалистов.

4. Планируемые практические результаты

Практическая значимость полученных результатов определяется выбором приоритетного направления развития интеллектуальных обучающих систем с индивидуальными программами обучения. Разработанные автоматные модели и алгоритмы управления обучением и тестированием могут использоваться в многоагентных системах дистанционного обучения нового поколения, ориентированных на обучение на основе компетенций.

5. Глобальный уровень исследований и разработок по теме

5.1 Средства обучения компетенциям

История интеллектуальных обучающих систем (ИОС) начинается в 70 годы 20 века в работах Дж. Карбонелла [2], первые классификации данных систем были предложены в 80е годы такими учеными как В. Стефанюк [3], П. Брусиловский [4], В. Петрушин [5]. Обучающие системы строят модель целей, предпочтений и знаний каждого индивидуального студента и использует эту модель в течение всего времени взаимодействия со студентом для адаптации к нуждам этого студента. В начале 2000 года происходит следующий шаг в развитии ИОС – появление агентно-ориентированных ИОС (Танг [6], Лопес [7] и др.) с наличием агента интерфейса преподавателя, агента интерфейса обучаемого, агента координатора взаимодействий, агента доступа к знаниям в процессе обучения, агента онтологий.

Обзор существующих интеллектуальных обучающих систем, дает следующие виды технологий в интеллектуальных обучающих системах:

  1. Построение последовательности курса обучения, данная технология позволит обеспечить обучаемого индивидуально спроектированным курсом обучения, разработанным специально для него. Технология реализована в следующих системах: ELM-ART-II, InterBook, Tutor, KBS-Hyperbook и других.
  2. Интеллектуальный анализ решений обучаемого – технология, определяющая верно ли предложенное обучаемым решение, или нет, анализирующая его на допущенные ошибки и полноту, также возможно определение недостающих знаний, которые привели к совершению ошибки. Примером применения данной технологии служит система PROUST.
  3. Интерактивная поддержка в решении задач – технология, которая позволяет предоставлять обучаемому помощь на каждом шаге решения задачи. На практике данная технология реализована в LISP-TUTOR.
  4. Tехнология поддержки в решении задач на примерах основывается на опыте решения задач обучаемым, позволяет решать новые задачи на основе примеров из ранее решенных. Пример реализации: ELM-ART.

ИОС должна достигать интеллектуального и «личного» содействия, которое могло бы быть достигнуто преподавателем или студентом-сокурсником при обычном аудиторном занятии. Также ИОС должна быть настолько адаптивной, чтобы найти подход к каждому обучаемому, учитывая его личные качества и особенности. В современных условиях требуется новый взгляд на формирование компетентностей – охват всего процесса приобретения знаний, умений и навыков. Реализация такой ИОС возможна на основе результатов следующих исследований в области ИИ: динамические интеллектуальные системы, многоагентные системы, онтологии, эволюционирующие знания, автоматные модели и некоторые другие.

В работе [8] авторами в качестве наиболее перспективной для реализации обучающих систем определена и описана агентно-ориентированная архитектура на онтологической модели компетенций. Следует, однако, отменить, что несмотря на значительное количество публикаций и работ в области компетентностного подхода к обучению, реализация указанного подхода в обучающих системах находится на начальном этапе. В значительной степени это связано со сложностями и неоднозначностями, возникающими при формализации компетенций, как целевых, так и имеющихся у обучаемых и определении недостающих компетенций.

Еще одним направлением индивидуализации и интеллектуализации обучения является задачно-ориентированная методология (ЗОМ) построения интегрированных экспертных систем (ИЭС) и веб-ИЭС, предложенная Рыбиной Г.В.(МИФИ). Поддерживающий эту методологию инструментарий нового поколения – комплекс АТ-ТЕХНОЛОГИЯ [9] позволяет осуществлять разработку, в том числе широкого класса обучающих ИЭС, обладающих развитыми интеллектуальными средствами обучения, мониторинга и тестирования обучаемых.

Новым направлением исследований в рамках ЗОМ при создании обучающих веб-ИЭС является усиление внимания к процессам формирования на базе развитых моделей обучаемого и обучения новых моделей- моделей требуемых для каждого специалиста компетенций в конкретной области профессиональной деятельности [10]. На основе того , что в настоящее время специалистами предложены разные подходы к определению, интерпретации и классификации компетенций, автором в [10] определены непосредственные задачи в рамках дальнейшей эволюции моделей, использующихся для построения обучающих веб-ИЭС:

  1. селективный отбор на каждой стадии обучения в рамках каждой специальности тех знаний, навыков и умений, которые должны приобрести обучаемые (модели эталонных курсов, развиваемые до модели преподавателя);
  2. усовершенствование методик контроля и тестирования, проводимых как с целью построения моделей обучаемых, так и по завершению обучения; эффективный учет личностных характеристик обучаемых при выборе и формировании обучающих стратегий и воздействий;
  3. разработка специальных корректирующих обучающих воздействий, направленных на развитие отдельных личностных характеристик обучаемого; использование дополнительного (повторного) обучения на основе выявленных пробелов в знаниях и умениях.

5.2 Средства тестирования компетенций

В настоящее время совершенствуются существующие и появляются новые формы оценки компетенций, особое место среди которых занимают различные тесты. Создаются электронные системы, позволяющие проводить оценку знаний обучающихся. В связи с этим, существует проблема обмена банками тестовых заданий. Эту проблему позволяет решить только стандартизация представления тестов. Международным стандартом такого представления является спецификация IMS QTI (Question & Test Interoperability) [11].

Разработанная в Новосибирском государственном техническом университете система тестирования «DiTest» [12] поддерживает этот перспективный стандарт. Основными элементами системы являются модули «ввода и редактирования тестов», «проведения опроса» и «обработка результатов и сбора статистики». Модульность системы «DiTest» позволяет легкую замену стандартного модуля на модуль, обеспечивающий лучшее использование в конкретной ситуации. При этом нет необходимости замены других частей системы. Cистема является Internet-ориентированной. Это должно ускорить ее распространение и создание разнообразных тестовых заданий в универсальном формате QTI. Система DiTest обладая необходимой функциональностью и простотой ее расширения, является идеальным решением для проведения дистанционных опросов. Система может использоваться независимо, как единый центр тестирования, так и в совокупности с другими оценивающими системами.

В системе INDIGO (Indigo Software Technologies) [13] тесты задаются в виде иерархической структуры, состоящей из вопросов и групп вопросов. Группы, в свою очередь, могут содержать как вопросы, так и другие группы. На данный момент доступны пять типов вопросов: выбор одного варианта ответа, выбор нескольких вариантов ответа, ввод ответа с клавиатуры, установка соответствия, расстановка в нужном порядке.

Еще одним инструментом тестирования является редактор электронных курсов CourseLab [14], в котором выбор метода тестирования напрямую зависит от особенностей материала курса, целевой установки и применяемых показателей обученности. Все имеющиеся виды тестов не выходят за рамки версии 1.2 стандарта IMS QTI (Question & Test Interoperability), поэтому должны быть доступны для быстрой разработки большинством редакторов электронных курсов. Редактор электронных курсов CourseLab предоставляет возможность простой и быстрой вставки в учебные модули, как отдельных вопросов, так и тестов, состоящих из множества вопросов. Необходимо только заполнить параметры вопросов. В CourseLab поддерживаются следующие типы вопросов: единственный выбор (выбор одного варианта из набора значений, включая и вопросы типа true-false), множественный выбор (выбор нескольких вариантов из набора значений), ранжирование (расположение вариантов в правильном порядке), числовой ввод одного или нескольких значений текстовый ввод одного или нескольких значений, парное соответствие (подбор правильных пар вариантов). Можно использовать случайную выборку вопросов из списка. Редактор C ourseLab дает возможность построить практически любое упражнение или тест с использованием полей ввода, элементов форм, зон нажатия мыши, перетаскивания объектов и т.п.

6. Национальный уровень исследований и разработок по теме

В Украине разработка и исследование интелектуальных обучающих систем ведутся во всех ведущих университетах. В работе [15] рассмотрено применение графо-автоматной модели адаптивной системы дистанционного образования и контроля знаний для решения задачи оптимального управления потоком квантов знаний в процессе усвоения курса студентом. Модель учитывает такие важные аспекты дистанционного образования, как возможность “забывания” квантов знаний студентом, проблему очерёдности выведения квантов на обработку и исполнения над ними операций, повторяемость одних и тех же квантов в разных занятиях и контекстах.

В работе [16] предлагается технология для создания ИОС, основной целью которых является обучение понятиям предметной области в интерактивном режиме, включая тестирование знаний обучаемого. Эта технология реализована в виде инструментальной среды, основными функциями которой являются: извлечение знаний эксперта, формализация понятий предметной области, создание базы знаний, генерация тестовых вопросов, формирование когнитивной модели обучаемого, оценка знаний обучаемого, формирование стратегии обучения.

7. Локальный обзор исследований и разработок

В работе [18] анализируется инструментарий для создания многоагентной системы обучения кафедрального уровня.

В работе [19] рассмотрена организация системы формирования и обновления онтологической базы знаний интеллектуальной обучающей системы. Предложен алгоритм и состав программного обеспечения инструментальных средств автоматизации объединения онтологий предметных областей.

8. Разработка агентной системы компетентностного обучения на основе автоматных моделей

8.1 Организация агентной подсистемы оценки компетенций обучаемого

Интеллектуальная мультиагентная обучающая система организуется как сообщество взаимодействующих коллективов агентов. Процесс обучения и оценки компетенций обеспечивается двумя коллективами (подсистемами) агентов. Коммуникации коллективов агентов представлены на рисунке 1. Коллектив агентов обучения (КАО) взаимодействует с агентом обучаемого (АО) и репозиторием обучающих ресурсов (РОР). Коллектив агентов тестирования (КАТ) связан с АО и репозиторием ресурсов тестирования (РРТ). Коллективы агентов обучения и тестирования так же взаимодействуют друг с другом. На рисунке представлены только компоненты ИМОС, имеющие отношение к разрабатываемой подсистеме КАТ.

Рисунок 1 – Состав ИМОС

Рисунок 1 – Состав ИМОС
Анимация: 11 кадров, 5 циклов повторений, 143 килобайт

Подсистема оценки компетенций решает следующие задачи.

Динамический профиль обучаемого хранит информацию об обучаемом, в нем фиксируются все полученные в ходе обучения и подтвержденные проверкой компетенции.

При первом обращении к системе формируется профиль обучаемого и определяется его начальный уровень знаний на основе заполняемой им карты базовых компетенций для начала обучения. На этом этапе АМИКиДПО получает информацию от КАО. После завершения очередного этапа обучения или выборе обучаемым режима тестирования компетенций АМИКиДПО взаимодействует с АОНКО, который используя модель компетенций устанавливает недостающую компетенцию для определения уровня знаний по данной компетенции. Для этого формируется индивидуальная траектория тестирования АФТК и АФИТТ, создается индивидуальная среда тестирования АИСТ и формируются эталонные оценки для тестов АФЭО. Для наполнения среды тестирования используются тестовые ресурсы РРТ.

Обучение может включать работу с основными учебными курсами (для формирования требуемых компетенций) и с дополнительно сформированными учебными курсами – для устранения выявленных пробелов, которые не позволяют студенту усвоить новый курс.

Для более качественной оценки знаний предполагается использовать онтологии для требуемых компетенций и на их основе строить индивидуальные траектории обучения и тестирования.

8.2 Формализация процесса тестирования на основе автоматного подхода

Агент индивидуальной среды тестирования реализует тестирование обучаемого по индивидуальной траектории тестирования для формируемой компетенции. Процесс тестирования реализуется в соответствии с автоматной моделью тестирования. В АИСТ эту модель реализует компонент «Оценка результатов тестирования». Индивидуальная траектория тестирования содержит тестовые задания 4 х уровней сложности: оценка знания модуля на «3», «4», «5» и на «творческом уровне». Данная шкала является универсальной, так ее можно записать и в виде 12 бальной шкалы [6], и в виде 100 бальной шкалы оценивания, разбивая результаты на диапазоны, которые будут относиться к представленным уровням сложности.

На каждом уровне сложности тестового задания вводится интегрированный коэффициент знания z, учитывающий как показания усвоения текущего материала, так и такие параметры как степень осознанности материала, коэффициент автоматизации ответа и весовой коэффициент, направленный на варьирование пороговой величины уровня сложности прохождения задания. Для успешного прохождения i-го уровня сложности тестового задания, обучаемый должен получить коэффициент z>0,7. Таким образом, система будет автоматически предоставлять обучаемому различные уровни сложности тестовых заданий, выявляя тем самым его реальные знания.

Построим модель тестирования на основе автоматного подхода, используя конечный автомат Мили. Автомат задается кортежем:

А = {X, Y, S, σ, λ}

где Х = {X0, X1, X2} – входной алфавит автомата, который представляет собой значение результата i-го уровня сложности тестовых заданий. X0 – результат теста z=0,7; X1 – результат теста z>0,7; X2 – результат теста z<0,7;

Y = {Y0, Y3, Y4, Y5, YT} – выходной алфавит автомата, который представляет собой результат теста (оценка). Y0 – оценка 2; Y3 – оценка 3; Y4 – оценка 4; Y5 – оценка 5; YT – обучаемый достиг оценки творческого уровня, в частности по методологии В.П. Беспалько это означает, что набрано от 10 до 12 баллов;

S = {S0, S1, S3, S4, S5, ST} – алфавит внутренних состояний автомата, который представляет собой уровень сложности тестовых заданий и точку остановки автомата. S1 – остановка работы автомата, S3 – сложность вопросов на оценку 3, S4 – сложность вопросов на оценку 4, S5 – сложность вопросов на оценку 5, ST – творческий уровень сложности;

S0 – начальное состояние автомата (в момент времени t = 0), определяет в зависимости от индивидуальной траектории обучения, группу вопросов для определения следующего уровня сложности тестовых заданий;

σ(Si, Xj)– функция переходов, осуществляет в зависимости от состояния и входного значения алфавита автомата переход к следующему уровню сложности тестовых заданий или завершению теста;

λ(Si, Xj) - функция выходов автомата, показывает в зависимости от состояния и входного значения алфавита автомата оценку, заработанную обучаемым.

Диаграмма состояний автомата Мили приведена на рис. 2. Автомат позволяет выявлять степень изучения учебного модуля, выдавая на выходе результат усвоения, который будет использоваться для решения о переходе к следующему этапу обучения.

Рисунок 2 – формализованная модель тестирования

Рисунок 2 – формализованная модель тестирования

Описанная модель тестирования позволяет оптимизировать время обучаемого, так как в состояние S0 тест ориентирован на интегрированный показатель успеваемости и за него он может получить оценки от двух до четырех. Таким образом, если в состоянии S0 на вход поступает результат Х1, то автомат переходит в состояние S5 и на выходе выдается результат Y4. В состояние S5 выдаются тестовые задания высшей сложности и оцениваются знания на оценку 5. Система в этом случае предсказывает выходной сигнал Y4. Выходной сигнал на переходе в состояние S1 сохраняется в динамическом профиле обучаемого и может использоваться как входной алфавит для модели переходов между модулями знаний в КАО.

Выводы

Предложенная система может использоваться для повышения качества обучения на основе компетентностного подхода. Применение репозитория тестовых ресурсов позволит накапливать тестовые задания для требуемых компетенций и на их основе строить индивидуальные тесты. Использование данной системы позволит автоматически формировать последовательность предоставления учебного материала - программу основного и повторного обучения, в соответствии с текущими компетенциями обучаемого.


При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2013 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Литература

1. Тельнов Ю.Ф. Управление компетенциями в самообучающейся организации / Ю.Ф. Тельнов // V-я Международная научно-практическая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Коломна, 2009.

2. Carbonell J.R. AI in CAI: an Artificial Intelligence Approach to Computer-Aided Instruction // IEEE Transactions on Man-Machine Systems. – 1970. – Vol. MMS-11. – №4.

3. Стефанюк В.Л. Введение в интеллектуальные обучающие системы.учебно-методическое пособие / В.Л. Стефанюк. – М.: Росийский университет дружбы народов, – 2002. – 59 с.

4. Брусиловский П.Л. Интеллектуальные обучающие системы / П.Л. Брусиловский // Информатика. Информационные технологии. Средства и системы. – 1990. – № 2. – С. 3-22.

5. Петрушин В.А. Экспертно-обучающие системы / В.А. Петрушин. – Киев: Наукова думка, – 1992. – 352 с.

6. Tang, T.Y., Wu, A. The implementation of a multi-agent intelligent tutoring system for the learning of computer programming // Proceedings of 16th IFIP World Computer Congress-International Conference on Educational Uses of Communication and Information Technology. (ICEUT). 2000. pp. 56-67

7. Lopes F., Mamede N., Novais A. Q. and Coelho H. 2000. Towards a Generic Negotiation Model for Intentional Agents// In Proceedings of the IEEE Workshop on Agent-Based Information Systems (London, UK). IEEE Computer Society Press, CA, Р. 433-439.

8. Корнеев Д.Г., Тельнов Ю.Ф., Козлова О.А. МОДЕЛЬ ДИНАМИЧЕСКОЙ СИСТЕМЫ ФОРМИРОВАНИЯ КОМПЕТЕНЦИЙ НА ОСНОВЕ АГЕНТНО-ОРИЕНТИРОВАННОГО ПОДХОДА ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ ТЕХНОЛОГИИ В СФЕРЕ КУЛЬТУРЫ // Сборник научных трудов по итогам Международной научно-методической конференции (г. Саратов, 19-24 сентября 2011 г.) C. 14-16

9. Рыбина Г.В. Автоматизированное рабочее место для построения интегрированных экспертных систем: комплекс АТ-ТЕХНОЛОГИЯ / Г.В. Рыбинa // Новости искусственного интеллекта. 2005. № 3. С. 69-87.

10. Рыбина Г.В. РЕАЛИЗАЦИЯ КОМПЕТЕНТНОСТНОГО ПОДХОДА К ОБУЧЕНИЮ НА ОСНОВЕ РАЗРАБОТКИ ОБУЧАЮЩИХ ИНТЕГРИРОВАННЫХ ЭКСПЕРТНЫХ СИСТЕМ / Г.В. Рыбина // Научная сессия МИФИ-2008. Сборник научных трудов. Т.10: Интеллектуальные системы и технологии. М.: МИФИ, – 2008. – 41 c.

11. IMS Question and Test Interoperability Implementation Guide [Электронный ресурс]. – Режим доступа: http://www.imsglobal.org/question/qtiv2p1pd2/imsqti_implv2p1pd2.html - Загл. с экрана.

12. Система прохождения и создания тестов DiTest.v2 [Электронный ресурс]. – Режим доступа: http://ditest.edu.nstu.ru/ - Загл. с экрана.

13. «INDIGO» – программа для создания тестов и тестирования [Электронный ресурс]. – Режим доступа: http://indigotech.ru/ - Загл. с экрана.

14. Редактор электронных курсов CourseLab [Электронный ресурс]. – Режим доступа: http://websoft.ru/db/wb/root_id/ courselab/ doc.html - Загл. с экрана.

15. ФЕДОРУК П.І. ГРАФО-АВТОМАТНА МОДЕЛЬ АДАПТИВНОЇ СИСТЕМИ ДИСТАНЦІЙНОГО НАВЧАННЯ ТА КОНТРОЛЮ ЗНАНЬ / П.І. ФЕДОРУК // Математичні машини і системи, – 2006. – № 4.

16. Таран Т.А., Сирота С.В. Технология обучения понятиям в интеллектуальных обучающих системах // Новости искусственного интеллекта. – 2006. – №6.

17. Федяев О.И., к.т.н., доц, Жабская Т.Е., аспирант, Лямин Р.В. Система индивидуального обучения студентов агентно-ориентированного типа // Конференция – г.Киев, – 2008.

18. Лямин Р.В. Многоагентная система обучения студентов на кафедральном уровне / Р.В. Лямин // автореферат к магистерской работе [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru /2008/fvti/lyamin/diss/index.htm

19. Вороной А.С., Егошина А.А. Средства интеграции онтологий предметных областей для баз знаний интеллектуальных обучающих систем // Искусственный интеллект – 2’2010 – C. 65-73